保留还是适应？泛化持续学习

本文挑战持续学习中以“保留”为核心的传统假设，指出在非稳态环境中过度保留知识会阻碍实时适应。作者将持续学习形式化为在线优化问题，引入“迁移效率”量化不稳定性与瞬态误差间的张力，并推导出“关键任务持续时间”阈值。基于此，提出了“预测性持续学习”新范式，通过动态更新未来任务模型来优化预期性能。实验证明，该算法在分布漂移下优于传统的联合任务学习与独立任务学习方法。